A mesterséges intelligencia területén zajló beruházási ciklus rengeteg tevékenységet generál, de alig hoz ellenőrizhető termelékenységet, és szinte egyáltalán nem derül ki egyértelműen, hogy honnan is várható az értékteremtés.
A képlet: Bevezetés × Bővítés × Összehangolás
A People Analytics World Londonban, Dana Minbaeva (King’s College) a MIT legújabb kutatásával kezdte, amelyből kiderült, hogy annak ellenére, hogy világszerte milliárdokat fektettek be a generatív mesterséges intelligenciába, a szervezetek mintegy 95%-ja nem jelentett mérhető megtérülést. Az integrált mesterséges intelligencia-kísérleti projektek közül csupán körülbelül 5% eredményez érdemi hatást az eredménykimutatásra. Az EY adatai hasonló képet mutatnak: a munkavállalók közel 90%-a ma már használja a mesterséges intelligenciát a munkája során, mégis csak a szervezetek 28%-je van olyan helyzetben, hogy ezt a bevezetést magas értékű eredményekké tudja alakítani.
Ugyanazt a hiányosságot írják le.
Dana Minbaeva egy olyan megfogalmazást javasolt, amely nagyon tetszik nekem:
A mesterséges intelligencia megtérülése (AI ROI) = bevezetés × teljesítménynövelés × összehangolás
Ez szorzó jellegű, nem összeadó. Ha a három közül bármelyik nulla, akkor az egész nulla. Ez az egész diagnózis egy sorban.
Örökbefogadás egyszerű: használják-e az emberek az eszközöket? Ez a könnyen mérhető változó. A technológiai elfogadásról szóló szakirodalomban évtizedek óta bizonyított, hogy az elfogadás a vélt hasznosságtól és a vélt használati kényelemtől függ, amelyek együttesen alakítják ki a hozzáállást, a szándékot és a viselkedést. A legtöbb vállalat ezt többé-kevésbé méri.
Megnövelés ez a nehezebb kérdés, és szinte senki sem méri. Dana egy 2×2-es táblázatban ábrázolta: a határozat (emberi vagy technológiai vezéreltség) az egyik tengelyen, a másik tengelyen pedig a tartalom (emberi vagy technológiai eredetű) a másik oldalon. A tisztán emberi döntés és az emberi tartalom a szokásos gyakorlat. A tisztán technológiai döntés és a technológiai tartalom a teljes automatizálás. Az érdekes középút pedig irányított augmentáció (az ember dönt, a technológia létrehozza) és előkészített kiegészítés (a technológia dönt, az ember alkot). A mesterséges intelligencia jelenlegi alkalmazásainak többsége a mátrix „BAU” (üzletmenet) szélén helyezkedik el, nem pedig a „kiegészítés” középpontjában.
Igazítás az, hogy az AI-kezdeményezések kapcsolódnak-e a tényleges üzleti stratégiához és az értékkészletekhez, vagy pedig olyan kísérleti projektek-e, amelyeket a CTO-nak „eladtak”, de nem az üzleti oldal megbízásából, egy valós probléma megoldása céljából indítottak. Tapasztalatom szerint ez az a tényező, amely a leggyakrabban és a legcsendesen bukik meg. A kísérleti projekteket gyakran azért választják ki, mert a szállító jól tudta eladni őket, nem pedig azért, mert a vállalatnak volt egy konkrét problémája, amelyet kizárólag a mesterséges intelligencia tudott volna megoldani.
Szorozzuk meg az „Adoption” értéket nullával, az „Augmentation” értéket nullával, majd az „Alignment” értéket, és így kapjuk a 95% számot. Ha mindhármat megszorozzuk valami értelmes értékkel, akkor a 5%-t kapjuk.
De ezen általános megtérülésen túl van még egy fontos kérdés: a mesterséges intelligenciát hatalmas termelékenység-növekedés ígéretével hirdetik, de hol van ez a növekedés?
A veszteség: hová tűnik valójában a termelékenység?
Ha a feladat szintjén elért mesterséges intelligencia általi előrelépések valóban léteznek – és a bizonyítékok erre utalnak, hiszen jól meghatározott, szövegintenzív feladatok esetében 10–70%-es javulást dokumentáltak –, akkor hol tűnik el ez a termelékenység a vállalati és makroszintű szinten?
Ez volt Ekkehard Ernst (ILO) kérdése, és az általa az ILO nevében felvázolt keret a legjobb makrogazdasági magyarázat, amit eddig hallottam. Ő ezt a következőképpen nevezi: az összesítés paradoxona: a feladatok szintjén elért hatalmas eredmények a méretnövelés során csökkennek, elszivárognak, vagy teljesen eltűnnek.
Konkrétan öt szivárgás:
- A terjesztés korlátozott. A mesterséges intelligenciához való tényleges hozzáférés világszerte körülbelül 7% vállalatnál áll meg. A nagyvállalatok és a kkv-k közötti szakadék hatalmas: 45% nagyvállalat rendelkezik külön AI-irányelvekkel, szemben a kkv-k 14%-jével. A nagyvállalatok 65%-je biztosít mesterséges intelligencia képzést; a kkv-k közül csak 29%-je teszi ezt. A legszembetűnőbb, hogy a nagyvállalatok 26%-je képes igazolni a mesterséges intelligencia által elért eredményeket. A kkv-k közül egy százaléka sem képes erre.
- A vállalaton belüli méretnövelés költséges. A rendszerszintű átalakítás fix költségei magasak. A mesterséges intelligencia nem akkor válik értékessé, ha egyszerűen ráillesztik a meglévő munkafolyamatokra, hanem akkor, ha a munkafolyamatokat az ő köré alakítják át (AUGMENTATION). Ez az átalakítás olyan beruházást igényel, amelyet a legtöbb vállalat még nem hajtott végre.
- Az újraelosztás nehezen változik. A munkaerő és a tőke áthelyezése a termelékenységi határra – azaz azokhoz a vállalatokhoz, amelyek ténylegesen hozamot termelnek a mesterséges intelligenciából – nehézségekbe ütközik. Az emberek nem költöznek könnyen; a tőke könnyebben mozog, de egyenetlenül.
- A feladatok átszervezését az automatizálás felülmúlja. Az új termelői munkakörök nem jönnek létre olyan ütemben, ahogyan a meglévő feladatok automatizálásra kerülnek. Ez a technológiai átvétel klasszikus eltérése, és minden általános célú technológia esetében megfigyelhető volt.
- Az árváltozások hatására a kiadások átalakulnak. A mesterséges intelligencia bizonyos ágazatokban csökkenti a költségeket, ami a kiadásokat az AI által kevésbé érintett, alacsonyabb termelékenységű szolgáltatások felé tereli — ez lesz a Baumol-féle költségbetegség 2026-ban.
Az a pont, amelyet Ekkehard Ernst a legnyomatékosabban hangsúlyozott – és amely minden pénzügyi igazgatót nyugtalanítania kellene –, az a mérési rés: Az AI-nak tulajdonított termelékenységnövekedésből akár 74% is nem igazolt. A vállalatok hatalmas erőforrásokat fordítanak az AI-ra anélkül, hogy rendelkeznének a kísérleti projektekből a méretezhető teljesítményre való áttéréshez szükséges mérési rendszerrel. Ahol azonban igazolás is rendelkezésre áll, az eredmények valósak és jelentősek: a célzott folyamatoknál a feladatvégzési idő 60–98%-val csökken. Az igazolás azonban ritka.
Ha nem tudod ellenőrizni, akkor nem tudod bankba vinni. És ha nem tudod bankba vinni, akkor nincs megtérülésed. Csak az az érzésed, hogy a dolgok gyorsabban mennek.
A 70/20/10-es probléma: gyorsabb, de nem okosabb
Van egy klasszikus innovációs portfólió-keretrendszer – a 70/20/10-es szabály –, amelyet évek óta alkalmaznak annak megfontolására, hogy a vállalatok hova fektessenek be az alaptevékenységek és az átalakulás közötti egyensúly megteremtése érdekében. A beruházások nagyjából 70%-je ismert problémákra irányul, amelyekre már létezik megoldás (alacsony kockázat, rövid időtartam). Körülbelül 20% az ismert problémákra fordítódik, amelyek megoldása még ismeretlen (közepes kockázat, hosszabb időtartam). Végül 10% az ismeretlen problémákra fordítódik, amelyek megoldása szintén ismeretlen (magas kockázat, a leghosszabb időtáv).
A PAW óta folyamatosan a fejemben hordozom ezt az ábrát, mert pontosan elmagyarázza, mi történik jelenleg a mesterséges intelligencia területén.
A jelenlegi mesterséges intelligencia-alkalmazások többsége a 70%-dobozban található. Ismert probléma (már tudjuk, mi az az e-mail, mi az a megbeszélés-összefoglaló, mi az a marketing szöveg, és hogyan néz ki egy kódfelülvizsgálat), ismert megoldás (használjunk generatív eszközt, hogy gyorsabban elvégezzük). Ezt nevezte @Alexis Saussinan (Merck) “Everyday AI”-nek, és a konferencia résztvevőinek többsége csendben elismerte, hogy ez dominálja a tényleges használati statisztikákat.
A probléma az, hogy a 70% mezőben a legnehezebb mérni az értéket, és itt szivárog el a legkönnyebben. Gyorsabb e-mailek írása, gyorsabb prezentációk készítése, gyorsabb sablonkód generálása – ezek valódi hatékonyságnövekedést jelentenek egyéni szinten. Szinte soha nem jelennek meg a nyereség- és veszteségkimutatásban. Úgy jelennek meg, hogy “több időm van”, majd eltűnnek a több megbeszélés, több e-mail és több prezentáció között. A megtakarított idő nem jelent pénzmegtakarítást, hacsak valaki nem csökkenti a létszámot, vagy át nem csoportosítja a munkaerőt. A legtöbb vállalat egyikét sem teszi meg.
A valódi megtérülés a 20% és a 10% dobozokban rejlik. Az „augmentáció” Dana Minbaeva értelmezésében a 20%-modell: ismert probléma, új megoldás. Vegyünk egy olyan folyamatot, amelyet jól ismerünk, és építsük fel újra az AI köré a nulláról – nem a gyorsabb végrehajtás, hanem egy másfajta működési logika alapján. A 10%-doboz az innováció: új üzleti modellek, új bevételi források, olyan dolgok, amelyeket az AI megjelenése előtt nem lehetett megvalósítani.
Alexis Saussinan a Mercknél ezt elegánsan három rétegre bontotta:
- A mindennapi mesterséges intelligencia — a munkaerő termelékenysége. A 70% doboz. Valódi, de kicsi.
- Operatív mesterséges intelligencia — Csapatmunka és a munkakörök átalakítása nagy léptékben. A 20%-modell. Valós és szélesebb körű.
- Fejlett mesterséges intelligencia — versenyelőny. A 10% doboz. Valódi, a legnagyobb, ráadásul ritka is.
A lényeg az volt, hogy vége a játéknak. A vállalatok két éven át kísérleteztek. A következő szakaszban az AI-ba történő beruházásokat a mérhető eredményre gyakorolt hatásra kell összpontosítani, úgy, hogy az ember továbbra is vezető szerepet töltsön be, miközben a mindennapi termelékenység láthatóan javul. “Pénzt nem nyomtatnak. A nyereség- és veszteségszámlával kapcsolatos döntéseket prioritás szerint kell rangsorolni, és a forrásokat át kell csoportosítani a mesterséges intelligencia területén történő beruházásokra.”
A mesterséges intelligencia nem jelent ingyenes kiegészítést a meglévő költségvetéshez. Minden, a mesterséges intelligencia infrastruktúrájára költött euró egy olyan euró, amelyet nem költünk másra. Ez azt jelenti, hogy a kérdés nem az, hogy “befektessünk-e a mesterséges intelligenciába”, hanem az, hogy “mit nem ”Mit kell tennünk ahhoz, hogy befektessünk a mesterséges intelligenciába, és milyen hozamot várunk el cserébe?”
Az AmCham mesterséges intelligencia-felkészültségi felmérése
AmCham Magyarország ‘Az AI-készségről és érettségről szóló felmérés, amelyet idén társszervezőként vezettem, pontosan ugyanazt a mintát tárta fel helyi szinten is.
A legszembetűnőbb megállapítás az AI-ból származó bevételarány és a befektetés megtérülése (ROI) közötti összefüggés. Azoknál a vállalatoknál, ahol az AI a bevételek 5–20%-ját teszi ki, A 67% jelentése magas, vállalati szintű megtérülést (ROI) mutat. Azok közül, akiknek az 0% AI-bevétele van, csak 8% csináld. A összefüggés közvetlen és egyértelmű: minél szorosabban kapcsolódik a mesterséges intelligencia a bevételteremtéshez, annál jobban mérhetővé válik a sikere.
Ezzel szemben azok a szervezetek, amelyek a mesterséges intelligenciát elsősorban a belső hatékonyság növelésére használják, lassabb vagy kevésbé látható eredményeket tapasztalnak – nem feltétlenül azért, mert a hatás kisebb lenne, hanem azért, mert a hatékonyságnövekedés ritkán jelenik meg a könyvelési költségcsökkenésben. Az időmegtakarítás, a pontosság javulása, a gyorsabb döntéshozatal – ezek olyan kézzelfogható előnyök, amelyek nem jelennek meg az eredménykimutatásban, hacsak valaki a folyamat későbbi szakaszában nem dönt úgy, hogy ezeket is figyelembe veszi.
És most jön az a paradoxon, amelyet a HR nem kerülhet el
Ha a legtöbb vállalatnál a mesterséges intelligencia (AI) befektetés-megtérülése (ROI) elsősorban a költségcsökkentésből származik – és az AmCham, a McKinsey adatai, valamint a konferencián elhangzottak egyaránt arra utalnak, hogy a mérhető érték elsősorban ebből fakad –, akkor definíció szerint ennek a befektetés-megtérülésnek valahonnan származnia kell.
Nem abból származhat, hogy “ugyanazt a munkát végeztük ugyanannyi alkalmazottal, de könnyebbnek tűnt”. Ez nem a befektetés megtérülése (ROI). Ez csupán egy érzés.
Két hely közül az egyikből kell származnia: korábban nem létező bevétel keletkezett, vagy a korábban fennálló munkaerőköltségek megszűntek.
Az első az a nehezebb, lassabb, stratégiaibb út. A második a gyorsabb, könnyebb, jobban mérhető út — és ez, definíció szerint, létszámleépítés.
Nem azt mondom, hogy már elértük ezt a szintet. Az AmCham felmérése valójában azt mutatta, hogy a válaszadók többsége arra számít, hogy a mesterséges intelligencia átalakítás szerepek, nagyjából egyharmaduk arra számít, hogy új szerepkörökben, és csak kevesen számítanak jelentős létszámcsökkentésre. Ez összhangban áll a globális eredményekkel. A PwC AI Jobs Barometer, a WEF „A munkahelyek jövője” című jelentése, valamint a legmegbízhatóbb tudományos tanulmányok egyaránt arra a következtetésre jutnak, hogy a foglalkoztatásra gyakorolt nettó hatás semleges vagy pozitív lehet, ha a szervezetek komolyan befektetnek az átképzésbe és a feladatok újraelosztásába.
Mikor (!!) A szervezetek komolyan fektetnek be az átképzésbe és a feladatok újraelosztásába. Ez egy nagy “mikor” kérdés. A felmérési adatokból pedig kiderül, hogy a munkavállalók 76%-ja szeretné ezt, de csak a vállalatok 17%-ja finanszírozza, és minden tanulmányban a leggyakrabban említett akadály a készséghiány.
Mindeközben a technológiai szektorban – ahol a mesterséges intelligenciát a legnagyobb mértékben és a legdinamikusabban alkalmazzák – a látható tendencia nem a “átalakítás és átképzés”, hanem a nagyszabású létszámleépítés, amelyet kifejezetten úgy indokolnak, hogy így szabadítanak fel tőkét a mesterséges intelligencia területén történő beruházásokra. Ez nem a mesterséges intelligencia hajtja a befektetési megtérülést, hanem a létszámleépítés hajtja a mesterséges intelligenciát.
Íme tehát a paradoxon egy mondatban: Ha az AI-stratégiádat elsősorban költségcsökkentésből finanszírozzák, és az üzeneted az, hogy “az AI nem veszi el a munkahelyeiteket”, akkor e két dolog közül legalább az egyik nem igaz.
Nem azt állítom, hogy a mesterséges intelligenciának feltétlenül munkahelyeket kell elvennie. Azt mondom, hogy a két, egymással párhuzamosan futó narratíva – miszerint “a mesterséges intelligencia megtérülése a hatékonyságból származik” és “a mesterséges intelligencia nem fogja befolyásolni a foglalkoztatást” – matematikai szempontból ellentmondásban áll egymással.
Mit jelent ez a HR és a munkaerő-elemzés szempontjából?
Dana Minbaeva előadásában egy olyan állítást fogalmazott meg, amely véleményem szerint az elmúlt öt év legfontosabb stratégiai pozicionálási érve a „people analytics” területén:
A People Analytics az a terület, amely egyedülálló módon alkalmas az AI-stratégia előmozdítására — nem az IT (amely az infrastruktúrára épül), nem az adatelemző csapat (amely a modellekre épül), és nem az üzleti egységek (amelyek az alkalmazási esetekre épülnek). A PA képes mérni, hogy az emberek, a feladatok és a mesterséges intelligencia kölcsönhatásából hogyan keletkezik valójában az érték. A PA képes észlelni, ahogy a verifikációs rés bezárul. A PA képes azonosítani a jelenleg elszivárgó termelékenységet.
Ha igaza van – és szerintem nagyon is igaza van –, akkor A HR-nek meghatározott szerepe van a mesterséges intelligencia megtérüléséről (ROI) szóló vitában, és nem szervez gyorsított mérnöki tanfolyamokat. Hanem tulajdonosa az ellenőrzési probléma. Ez az a szerepkör, amelynek képviselője leülhet a pénzügyi igazgatóval szemben, és elmondhatja: „Itt látható, mit nyújt valójában a mesterséges intelligencia; itt vannak a valódi előnyök; itt pedig csak felesleges zajról van szó; ezt érdemes finanszíroznunk, ezt pedig le kell állítanunk.”.
Ehhez olyan szakma szükséges, amely a hatásméretek és a konfidencia-intervallumok nyelvén tud beszélni, nem pedig az elkötelezettségi mutatók nyelvén. Olyan munkaerő-elemző csapatokra van szükség, amelyek ugyanolyan komolysággal jelentenek a CHRO-nak, mint az FP&A-csapatok a CFO-nak. Arra is szükség van, hogy a vezetők hatékonyságát, a toborzás minőségét és a beavatkozások megtérülését ugyanolyan szigorral mérjük, mint amilyet a marketing-attribúciótól vagy a bevételi előrejelzésektől elvárunk.
Ezenkívül megköveteli a HR-től, hogy vezetni a folyamatok és munkakörök feladat szintű átalakításáról szóló beszélgetést (más néven „kiegészítés”) és minden, ami ezzel összefügg — a kompetenciaprofilok, a teljesítménymenedzsment, a javadalmazás, a létszám, a karrierutak, a szervezeti modellek. Amikor az „Everyday AI”-tól az „Operational” és „Advanced” szintre lépünk, már nem arról van szó, hogy ugyanazt az e-mailt gyorsabban írjuk meg.
Emellett azt is megköveteli, hogy a HR őszintén szembenézzen a mesterséges intelligencia megtérülési egyenletének munkaerő-oldalával. Ha egy vállalat a költségcsökkentésre alapozza a mesterséges intelligencia iránti beruházás indoklását, A HR feladata, hogy világosan, előre és egy terv keretében feltárja, mit jelent ez a munkavállalók számára — ahelyett, hogy csak a későbbi átszervezés során derülne ki. Nagy léptékű átképzés, nagy léptékű áthelyezés, nagy léptékű kilépés: ezek a HR-kompetenciák, és ezek jelentik a különbséget a stratégiai és a reaktív, mesterséges intelligenciára épülő munkaerő-átalakítás között.
Azok a vállalatok fognak győzedelmeskedni a következő évtizedben a mesterséges intelligencia terén, ahol a HR már korán bekapcsolódott ezekbe a megbeszélésekbe – az adatokkal, a szigorú következetességgel és azzal a hajlandósággal, hogy szembenézzen a kényelmetlen helyzetekkel. Azok a vállalatok fognak veszíteni, ahol a HR-t csak akkor tájékoztatták az AI-stratégiáról, miután a pénzügyi részleg már véglegesítette a költségtervet. És ahogy előző cikkemben is írtam: ne várd meg, amíg meghívnak az asztalhoz, vedd át a kezdeményezést!.
Az üzleti érték alapján válassza ki az AI-alkalmazási eseteket, dokumentált döntési folyamatot követve.